Hiểu được mức độ tin cậy của các đối tác là yếu tố quyết định trong việc ra quyết định kinh doanh. Các nhà đầu tư cần biết khả năng đầu tư vào trái phiếu hoặc dưới hình thức cho vay sẽ được hoàn trả. Các công ty phải xác định số lượng tín dụng của các nhà cung cấp, khách hàng, các ứng cử viên mua lại và đối thủ cạnh tranh.

Chất lượng tín dụng truyền thống là đánh giá của doanh nghiệp, chẳng hạn như đánh giá của S & P, Moody's hoặc Fitch. Tuy nhiên, các xếp hạng như vậy chỉ có sẵn cho các công ty lớn nhất chứ không phải cho hàng triệu công ty nhỏ hơn. Để định lượng tính xứng đáng về tín dụng của mình, các công ty nhỏ hơn thường được phân tích bằng các phương pháp thay thế, đó là các mô hình xác suất vỡ nợ (PD). (Để tìm hiểu thêm, xem Tóm tắt lịch sử của các cơ quan xếp hạng tín dụng .)

Hướng dẫn: Rủi ro và Đa dạng hóa

Tính toán PD Tính PDs đòi hỏi sự tinh tế của mô hình và một tập dữ liệu lớn về các sai sót trong quá khứ, cùng với một bộ các biến tài chính cơ bản cho một . Đối với hầu hết các phần, các tập đoàn chọn sử dụng các mô hình PD cho phép họ từ một số nhà cung cấp. Tuy nhiên, một số tổ chức tài chính lớn xây dựng mô hình PD riêng của họ.

Việc xây dựng một mô hình đòi hỏi phải thu thập và phân tích dữ liệu, bao gồm thu thập các nguyên tắc cơ bản cho đến khi có lịch sử. Thông tin này thường xuất phát từ báo cáo tài chính. Một khi dữ liệu được biên soạn, đã đến lúc tạo thành các tỷ lệ tài chính hoặc "trình điều khiển" - các biến số làm tăng thêm kết quả. Các trình điều khiển này có xu hướng chia thành sáu loại: tỷ lệ đòn bẩy, tỷ lệ thanh khoản, tỷ suất lợi nhuận, thước đo kích thước, tỷ lệ chi phí và tỷ lệ chất lượng tài sản. Các biện pháp này được các chuyên gia phân tích tín dụng chấp nhận rộng rãi có liên quan đến việc đánh giá mức độ tin cậy. (Để tìm hiểu thêm, xem Hướng dẫn về Chỉ số Tài chính của chúng tôi .)

Bước tiếp theo là xác định doanh nghiệp nào trong mẫu của bạn là "người phá sản" - những người thực sự không có nghĩa vụ tài chính. Với thông tin này trong tay, một mô hình hồi quy "hậu cần" có thể được ước tính. Các phương pháp thống kê được sử dụng để kiểm tra hàng chục trình điều khiển ứng viên và sau đó chọn những điểm có ý nghĩa quan trọng nhất trong việc giải thích các khoản nợ xấu trong tương lai.

Mô hình hồi quy liên quan đến sự kiện mặc định cho các trình điều khiển khác nhau. Mô hình này là duy nhất trong các mô hình đầu ra được giới hạn giữa 0 và 1, có thể được ánh xạ tới một tỷ lệ xác suất mặc định là 0-100%. Các hệ số từ hồi quy cuối cùng đại diện cho một mô hình để ước tính xác suất mặc định của một công ty dựa trên trình điều khiển của nó.

Cuối cùng, bạn có thể kiểm tra các phép đo hiệu suất cho mô hình kết quả. Đây có thể sẽ là các thử nghiệm thống kê đo lường mức độ tốt của mô hình đã dự đoán mặc định.Ví dụ, mô hình có thể được ước lượng bằng cách sử dụng dữ liệu tài chính cho một giai đoạn năm năm (2001-2005). Mô hình kết quả sau đó được sử dụng cho dữ liệu từ một khoảng thời gian khác (2006-2009) để dự đoán các giá trị mặc định. Vì chúng ta biết được các công ty nào bị lỗi trong giai đoạn 2006-2009, chúng ta có thể cho biết mô hình này hoạt động tốt như thế nào.

Để hiểu cách mô hình hoạt động, hãy xem xét một công ty nhỏ với đòn bẩy cao và lợi nhuận thấp. Chúng tôi đã xác định được ba trong số các trình điều khiển mô hình cho công ty này. Nhiều khả năng, mô hình này sẽ dự đoán một khả năng vỡ nợ tương đối cao đối với công ty này vì nó là nhỏ, và do đó, luồng doanh thu có thể không ổn định. Công ty có đòn bẩy cao, và do đó có thể có gánh nặng thanh toán lãi cao cho các chủ nợ. Và công ty có lợi nhuận thấp, có nghĩa là nó tạo ra ít tiền mặt để trang trải các chi phí của nó (bao gồm gánh nặng nợ nần của nó). Nhìn chung, công ty có thể thấy rằng không thể bù đắp nợ trong tương lai gần. Điều này có nghĩa là nó có khả năng bị vỡ nợ cao. (Để tìm hiểu thêm, xem

Khái niệm Cơ bản về Phân tích Kinh doanh .) Nghệ thuật Vs. Khoa học

Đến thời điểm này, quá trình xây dựng mô hình đã hoàn toàn cơ học, sử dụng số liệu thống kê. Bây giờ có một nhu cầu để sử dụng đến "nghệ thuật" của quá trình này. Kiểm tra các trình điều khiển đã được lựa chọn trong mô hình cuối cùng (có thể, bất cứ nơi nào từ 6-10 trình điều khiển). Lý tưởng nhất, nên có ít nhất một trình điều khiển từ mỗi trong sáu loại được mô tả trước đó. Tuy nhiên, quá trình cơ học được mô tả ở trên có thể dẫn đến tình trạng mô hình kêu gọi sáu lái xe, tất cả đều được rút ra từ danh mục tỷ lệ đòn bẩy, nhưng không có nghĩa là tính thanh khoản, lợi nhuận, vv .. Các nhân viên cho vay ngân hàng được yêu cầu sử dụng một mô hình như vậy để hỗ trợ cho các quyết định cho vay có thể sẽ phàn nàn. Trực giác mạnh mẽ được phát triển bởi các chuyên gia này sẽ khiến họ tin rằng các loại người lái xe khác cũng phải là quan trọng. Sự vắng mặt của các trình điều khiển như vậy có thể dẫn đến nhiều người kết luận rằng mô hình này là không đầy đủ.

Giải pháp rõ ràng là thay thế một số trình điều khiển đòn bẩy với trình điều khiển từ danh mục bị thiếu. Tuy nhiên, điều này làm nảy sinh một vấn đề. Mô hình ban đầu được thiết kế để cung cấp các biện pháp hiệu suất thống kê cao nhất. Bằng cách thay đổi thành phần của trình điều khiển, có thể hiệu suất của mô hình sẽ giảm từ góc độ toán học thuần túy.

Như vậy, cần phải cân nhắc giữa việc đưa ra nhiều chọn lựa để tối đa hóa sự hấp dẫn trực quan của mô hình (nghệ thuật) và tiềm năng giảm quyền lực mô hình dựa trên các biện pháp thống kê (khoa học). Chất lượng của mô hình phụ thuộc chủ yếu vào số lượng mặc định có sẵn để hiệu chuẩn và sự sạch sẽ của dữ liệu tài chính.

Các kiểu mẫu trong mô hình tài chính . . Trong nhiều trường hợp, đây không phải là một yêu cầu nhỏ, vì rất nhiều bộ dữ liệu chứa lỗi hoặc bị thiếu dữ liệu.

Các mô hình này chỉ sử dụng thông tin lịch sử, và đôi khi các yếu tố đầu vào đã hết hạn sử dụng đến một năm hoặc nhiều hơn.Điều này làm suy yếu sức mạnh dự đoán của mô hình, đặc biệt là nếu có một số thay đổi đáng kể khiến người lái xe không thích hợp hơn, chẳng hạn như thay đổi các quy định kế toán hoặc các quy định. Các mô hình lý tưởng nên được tạo ra cho một ngành công nghiệp cụ thể trong một quốc gia cụ thể. Điều này đảm bảo rằng các yếu tố kinh tế, pháp luật và kế toán duy nhất của quốc gia và ngành công nghiệp có thể được nắm bắt đúng. Thử thách là thông thường số liệu khan hiếm, đặc biệt là số lượng mặc định được xác định. Nếu dữ liệu khan hiếm đó phải được phân chia sâu hơn nữa thành các thùng trong ngành công nghiệp của đất nước, thậm chí còn có ít điểm dữ liệu hơn cho từng mô hình ngành nông nghiệp.

Vì dữ liệu bị mất là một thực tế của cuộc sống khi xây dựng các mô hình như vậy, một số kỹ thuật đã được phát triển để điền vào những con số. Tuy nhiên, một số lựa chọn thay thế có thể đưa ra những sự không chính xác. Sự khan hiếm dữ liệu cũng có nghĩa là xác suất mặc định được tính bằng một mẫu dữ liệu nhỏ có thể khác với xác suất mặc định thực tế tiềm ẩn cho quốc gia hoặc ngành được đề cập. Trong một số trường hợp, có thể mở rộng các mô hình đầu ra để phù hợp với trải nghiệm mặc định cơ bản hơn.

Kỹ thuật mô hình được mô tả ở đây cũng có thể được sử dụng để tính toán PD cho các tập đoàn lớn. Tuy nhiên, có nhiều dữ liệu hơn về các công ty lớn vì chúng thường được niêm yết công khai với vốn cổ phần và các yêu cầu công bố công khai đáng kể. Tính sẵn có của dữ liệu này tạo ra các mô hình PD khác (được gọi là mô hình dựa trên thị trường) mạnh hơn những mô hình được mô tả ở trên.

Kết luận

Các nhà thực hành và các nhà quản lý ngành công nghiệp nhận thức rõ tầm quan trọng của mô hình PD và sự khan hiếm dữ liệu ban đầu của họ. Theo đó, trên khắp thế giới đã có nhiều nỗ lực (dưới sự bảo trợ của Basel II) để nâng cao khả năng nắm bắt các dữ liệu tài chính hữu ích của các tổ chức tài chính, bao gồm xác định chính xác các công ty vỡ nợ. Khi kích thước và độ chính xác của các tập dữ liệu này tăng, chất lượng của các mô hình kết quả cũng sẽ được cải thiện. (Để biết thêm về chủ đề này, xem

Debate Ranking Debt
.)